p As comunicações de ondas milimétricas (mmWave) têm atraído grande interesse da academia, indústria, e o governo, pois podem fazer uso total de abundantes recursos de frequência na banda de alta frequência para alcançar a transmissão de dados em altíssima velocidade. Os sistemas de comunicação mmWave são geralmente equipados com grandes conjuntos de antenas, conhecido como mmWave de múltiplas entradas múltiplas e saídas múltiplas (MIMO), para gerar feixes altamente direcionais e compensar a severa perda de caminho na banda de alta frequência. Contudo, o desempenho da formação de feixe direcional depende amplamente da precisão da aquisição de informações de estado do canal (CSI). Em comparação com os sistemas MIMO tradicionais, a aquisição da CSI em sistemas MIMO massivos mmWave é um desafio. Por um lado, as grandes matrizes de antenas formam uma matriz de canal de alta dimensão, cuja estimativa consome mais recursos, por exemplo., sobrecarga da sequência piloto, feixe de sondagem no alto, e complexidade computacional. Por outro lado, o MIMO massivo mmWave normalmente emprega uma arquitetura de formação de feixe híbrida, onde as cadeias de radiofrequência (RF) são muito menos do que as antenas. Portanto, só podemos obter um sinal de baixa dimensão das cadeias de RF em vez de obter diretamente um sinal de alta dimensão das antenas front-end, o que torna a aquisição da CSI muito mais desafiadora do que o normal. p A aquisição de CSI inclui treinamento de feixe e estimativa de canal. Às vezes, o treinamento do feixe também é chamado de alinhamento do feixe. Para o MIMO massivo mmWave usando lentes eletromagnéticas que geralmente funcionam como uma transformação DFT do espaço do ângulo para o espaço do feixe, o treinamento do feixe também é chamado de seleção do feixe. O treinamento do feixe soa o canal mmWavemassive MIMO com feixes analógicos de transmissão e recepção para encontrar os pares de feixes mais adequados para a transmissão, o que pode evitar a estimativa de uma matriz de canal de alta dimensão. Assim que o treinamento do feixe for concluído, métodos clássicos, como mínimo quadrado ou estimativa de erro quadrático médio mínimo, pode ser usado para estimar a matriz de canal equivalente com um pequeno número de símbolos piloto. A estimativa de canal se concentra em estimar uma matriz de canal de alta dimensão, que explora com flexibilidade técnicas avançadas de processamento de sinal, como sensoriamento comprimido (CS). Tanto o treinamento de feixe quanto a estimativa de canal podem explorar técnicas de aprendizado de máquina (ML), além das abordagens tradicionais.

p Neste artigo, uma visão geral da aquisição CSI para mmWave MIMO massivo é fornecida. Em primeiro lugar, as abordagens de treinamento de feixe, incluindo varredura de feixe, treinamento de feixe hierárquico, e treinamento de feixe baseado em ML são investigados. Com o treinamento do feixe, precisamos apenas estimar uma matriz de canal equivalente de baixa dimensão na escala do número de cadeias de RF. Como a outra categoria de aquisição CSI, a estimativa de canal visa estimar com precisão os canais MIMO massivos de mmWave. Em seguida, os principais métodos de estimativa de canal, incluindo estimativa de canal esparso com base em CS, estimativa de canal baseada em processamento de sinal de matriz, e estimativa de canal baseada em ML são discutidas. Finalmente, diferentes abordagens em termos de eficiência espectral (SE), complexidade computacional, e despesas gerais incorridas são comparadas em detalhes. Algumas questões abertas para trabalhos de pesquisa futuros também são fornecidas.